經濟學人:AI 算力是新型石油,亟需新市場
《經濟學人》金融與經濟版發文提出,AI 算力正像石油一樣成為基礎性戰略資源,但還缺少與之匹配的市場。文章的核心主張是算力需要一套新的市場機制來完成定價與配置,原文未披露更多細節。該文在 Hacker News 上獲得 15 點、7 條評論。
依意思最接近的 21 筆
《經濟學人》金融與經濟版發文提出,AI 算力正像石油一樣成為基礎性戰略資源,但還缺少與之匹配的市場。文章的核心主張是算力需要一套新的市場機制來完成定價與配置,原文未披露更多細節。該文在 Hacker News 上獲得 15 點、7 條評論。
AI 資料中心帶來的用電激增正給美國老化的電網施壓,而業內人士認為這反而在推動電網現代化。在 TechCrunch Disrupt 上,Veir 稱其超導電纜輸電距離是傳統電纜的 5 倍、佔用空間僅 1/20,公司本月初完成 1.1 億美元 C 輪融資;WeaveGrid 則用軟體幫電力公司排程負載、降低使用者電費。Rewiring America 的 Kristin Eberhard 表示,AI 用電增長帶來的緊迫感讓行業更願意嘗試此前被擱置的方案。
Anthropic 在提交給美國 SEC 的 S-1 上市檔案中承認,其 AI 資料中心正越來越依賴天然氣(主要成分是甲烷)供電。檔案稱,爭奪電力供應與電力充足的資料中心選址的競爭十分激烈,公司資料中心的建設因此容易受到燃料成本上漲和現有供應鏈約束的衝擊。這意味著生成式 AI 的算力擴張與化石燃料繫結,供電成本與穩定性風險已被寫進公開的上市披露。
IEA 2026 年 4 月報告測算,全球資料中心用電量將從 2025 年的 485 太瓦時翻倍到 2030 年的 950 太瓦時,其中 AI 資料中心的用電量增至三倍。制約擴張的不只是電力:美國大型變壓器交付週期最長四年、燃氣輪機超過三年,而吉瓦級資料中心約兩年就能建成。機櫃功率密度同步飆升,Vera Rubin NVL72 為 190 至 230 千瓦,2027 年的 Kyber 預計達 600 千瓦,風冷已接近極限。HBM 短缺預計至少延續到 2027 年。
xAI 已在密西西比部署 8 臺由退役噴氣發動機改裝的燃氣渦輪機,為孟菲斯 Colossus 2 資料中心供電。面對併網排隊,這種方案約 24 個月就能讓資料中心投運,而在北維吉尼亞接入 100 兆瓦電網約需 7 年。OpenAI 在得州 Stargate 站點也用了燃氣輪機,Crusoe 則向 ProEnergy 訂購 13 臺改裝機組。代價是效率更低、汙染更高,同樣功率需要更多機組。
OpenAI 啟動 Grid Protectors 計劃,讓未來的計算園區在電網緊張時主動降低用電需求。計劃從喬治亞州開始,規劃中的 Effingham County 園區將由 OpenAI 承擔全部基礎設施與供電成本,並與 Georgia Power 達成最高 1,000 兆瓦的柔性需求回應,相當於約 70 萬戶家庭的平均用電量。
市場對 AI 投入成本的擔憂引發美股科技股集體下挫,英特爾股價一度跌 30%,市值預計蒸發逾 1300 億美元;納斯達克開盤跌 2.5%,創兩個多月新低。英特爾警告 PC 市場放緩將至少持續到明年上半年,同時三季度大幅增加裝置投資,並預計第四季度投入更高。此前 Alphabet 因自家 AI 摘要衝擊搜尋廣告收入,單日市值蒸發超 5000 億美元;Reddit 因 Google AI 搜尋削弱引流、日活不及預期跌 26%,Roblox 跌近 20%,亞馬遜跌約 1.6%。
OpenAI 公布一次 AI 漏洞挖掘的完整執行成本為 121.34 萬美元 API credits,摺合每個不同的本地提權漏洞約 1279 美元。若按 Pwn2Own 與 TyphoonPWN 的歷史賞金費率折算,這批漏洞的假設價值達 1890 萬至 6630 萬美元。OpenAI 稱這體現了用 AI 模型保障軟體安全的相對效率,並主張防守方主動分析軟體,使網路攻擊成本變得不可承受。
Anthropic 在 11 月 3 日更新的 S-1 檔案中披露:截至 9 月 30 日的季度營收為 170 億美元,高於上一季度的 115 億美元;但算力成本已佔營收 58%,明顯高於上一季度的 48%,運營虧損同步擴大。當季算力支出約 100 億美元,其中 50 億美元來自價格顯著更高的短期合約;每花 1 美元算力換來的收入在略高於 2 倍後回落至 1.72 倍。
TechCrunch Disrupt 2026 將設 Smart Systems Stage 專場,由 Ambrosia Energy CEO Ben Longmier 與 Bloom Energy 資料中心解決方案負責人 Bill Thayer 對談 AI 基礎設施熱潮中的贏家。議題聚焦電力、電網、資料中心、冷卻與電氣裝置等物理層約束,以及哪些短缺會演變成獨立品類。
達卯科技在 10 月 26 日開幕的 CPE 2026 上提出 E-AIDC(能源驅動型智算中心)概念,並稱其算電協同方案在西部某省模擬專案中使使用者到戶電價下降 10%、投資方 IRR 提升約 20%。CEO 簡煜忞認為,綠電直連專案往往卡在簽約環節,癥結是發電方與算力方只圍繞電能量淨值博弈,達卯改為從電能量、調節性、容量、碳四重市場融合尋優。該模擬基於真實資料完成 12000 種場景、20 個開放邊界測算,挖掘出 3 分以上的綜合價值空間;
2026 年 7 至 9 月,OpenAI、Anthropic 和 Nvidia 的聯邦遊說支出都達到各自單季最高。其中 Nvidia 花 220 萬美元最多,Anthropic 為 210 萬,OpenAI 為 150 萬。與微軟、Google 等長期佈局華盛頓的大廠相比,這一規模並不算異常:微軟自 2021 年起每季至少 200 萬美元,Google 常在 300 萬以上;但這顯示三家 AI 公司正加大對政策制定的投入。
IBM CEO Arvind Krishna 在第三季度財報電話會上稱,開源權重模型現已能用前沿模型 10%–25% 的 token 成本實現約 90% 的效果。他回顧差距從 2024 年的 70 分對 20–30 分,縮小到 2025 年底的 70 分對 50 分,認為企業大多數任務(總結郵件、審查合同、客服應答)用便宜模型就夠。由此 IBM 看到本地部署 AI 需求升溫,稱兩三機架即可搭建,但企業缺核心、網路與 GPU 叢集調優人才;
生成式 AI 背後的資料中心建設正讓得州空氣汙染可能回升到 2000 年代以來的最差水平。新建與規劃中的資料中心的耗電量極大,開發商和公用事業公司若靠燃氣輪機供電,汙染將明顯加重;若用可再生能源則可減輕。目前趨勢並不樂觀,部分科技公司還在自建電源。
Character.ai 已申請破產,破產法庭檔案披露其算力支出長期遠超收入:2024 年每月 AI 算力花費 1380 萬美元,2025 年降至 1000 萬美元,而訂閱收入峰值僅每月 280 萬美元,含廣告的全部收入峰值 530 萬美元。2026 年 1 至 8 月算力支出 5610 萬美元,8 月仍每月虧損約 800 至 900 萬美元。
路透社 2026 年 10 月 15 日報導,市場拋售與利率上行正在考驗 AI 資料中心的交易熱潮。報導圍繞以 AI 算力為名的資料中心投資與融資,在資本市場轉冷的背景下能否延續此前的勢頭展開,該文在 Hacker News 上獲得 11 分、5 條評論。原文未給出具體交易金額與涉及企業。
本週美股科技股集體重挫:Google 創下史上最差單日表現,Intel 跌幅為尼克松政府以來最大,納斯達克距回撥僅一步之遙。2023 年以來 AI 支出累計已達 1.6 萬億美元,摩根大通預計未來十年每年約 1 萬億美元;大型雲廠商今年約 2500 億美元資本開支靠發債融資,明年這一比例將升至約 35%。高盛測算這些廠商可承接的投資級債務上限約 5100 億美元,是當前預計借款額的兩倍多;而風險更高的新型雲廠商 CoreWeave 本月債券收益率已升至 15%。
NVIDIA 公布 DSX AI Factory 平台進展,把電網、變電站與機房作為一套系統統一規劃與執行,GE Vernova、日立能源、施耐德電氣、西門子能源等廠商已接入。平台包括用於開工前模擬驗證的 DSX Sim、讓 AI 工廠負荷跟隨電網狀況調節的 DSX Flex,以及提升每瓦算力並跨系統共享訊號的 DSX MaxLPS 與 DSX Exchange。
CMU、聖母大學等發布化學採購成本基準 ChemCost,最強智慧體在乾淨輸入下僅 50.6% 的估算誤差在 25% 以內。基準包含 1,427 個反應、2,261 種化學品和 230,775 條供應商包裝報價,要求智慧體完成名稱對齊、報價檢索、包裝選擇、單位換算與成本彙總,全程無需裁判。人類專家同任務準確率為 66.9%;輸入改為自然語言段落和 OCR 文字後,前沿模型準確率降至約 20%,化學專用模型接近 0。
Hugging Face 政策負責人做客播客,討論企業採用開源 AI 模型的成本、風險與取捨。開源模型因成本更低、更可控、更靈活,被企業、政府和初創公司更多采用;但模型能力越強、越容易獲取,企業如何從中獲取價值就成了難題。節目還談到中國開源模型的進展,以及美國廠商能否跟上。
Anthropic 以測試版形式推出 Usage and Cost Analytics,需攜帶 beta header analytics-usage-cost-2026-08-24,通過兩個端點報告 Claude Console 與 Claude Enterprise 組織的 token 用量與成本。結果可按模型、工作區、API key 以及發起請求的使用者或服務帳號篩選與分組。